融合EEMD-CNN的水电机组磨碰故障声纹识别模型

水电机组声纹信号包含大量反映内部机械状态的有效信息,为了准确提取水电机组磨碰故障声纹特征,提出一种基于聚合经验模态分解（EEMD）与卷积神经网络（CNN）相结合的水电机组磨碰声纹识别模型。首先将水电机组噪声信号进行EEMD分解,得到若干本征模态分量（IMF）和残余分量（Res）,然后将得到的IMF和Res与原噪声信号构建融合特征向量;以融合特征向量为输入,碰磨故障输出,正常和碰磨故障试验数据为样本,训练CNN深度学习神经网络,得到水电机组磨碰故障识别器,识别水电机组磨碰故障。结合水机电耦合平台和实际机组试验磨碰数据,验证了所提方法对水电机组碰磨故障识别效果,平均准确率达到99.8%,且该方法识别效果显著优于其他几种识别模型。     

基于VMD分解和支持向量机的水电机组振动故障诊断

针对传统方法难以精确提取水电机组非平稳振动信号的故障特征,首先引入变分模态分解(variational modal decomposition,VMD)将水电机组非平稳振动信号分解为一系列中心频段互不重叠的IMF分量,进而采取能量法提取各IMF分量的故障特征,最后将提取的故障特征向量输入到本文建立的基于遗传算法优化支持向量机的故障诊断模型中,实现故障模式的识别与诊断。将该方法应用于实际水电机组故障振动信号的处理中,仿真结果表明,该方法能够有效识别机组的异常状况,具有较高的故障诊断正确率。     

基于EEMD近似熵的水电机组振动信号特征提取

对于水电机组非平稳非线性振动信号特征提取方法的研究近年来一直是水电机组故障诊断领域研究热点,特征提取的有效性直接关系到故障诊断的准确性。本文提出基于集合经验模态分解（EEMD）和近似熵的水电机组振动信号特征提取方法,将信号经EEMD分解后筛选得到的本征模态分量（IMF）近似熵特征值输入概率神经网络（PNN）进行模式识别。采用经验模态分解（EMD）和近似熵特征提取方法进行对比实验。识别结果表明：采用EEMD和近似熵的特征提取方法,能有效区分机组不同的运行状态,可为实际工程应用提供理论依据。     

基于EEMD和SOM神经网络的水电机组故障诊断

针对水电机组振动信号的非平稳性和特殊性,提出一种基于集合经验模态分解(EEMD)的奇异谱熵和自组织特征映射网络(SOM)相结合的故障诊断方法。首先采用EEMD对振动信号进行分解,得到本征模态函数(IMF);随后进行奇异谱分解,得到反映振动信号的动态特征向量——奇异谱熵;最后将得到的特征向量输入经过训练的SOM神经网络中进行故障自动识别。结果表明:该方法可以准确地提取机组故障特征,具有更高的识别精度和更快的计算速度。     

基于改进经验模态分解和谱峭度法的变压器振动故障特征提取

针对变压器振动故障信号易被强背景噪声掩盖的特点,提出基于改进经验模态分解(empirical mode decomposition,EMD)与谱峭度法的变压器振动故障特征提取方法。首先利用EMD方法分解原振动故障信号得到一系列本征模态函数(intrinsic mode function,IMF)分量后,采用能量矩占比和方差贡献率相结合的方法对采样信号进行EMD降噪处理,消除EMD中的虚假分量;然后利用重构算法提取真实IMF分量,运用谱峭度法提取振动故障特征频率;最后以模拟工程实际信号为例,采用MATLAB仿真验证了该变压器振动故障特征提取方法的有效性。     

多维度能量熵提取的不同负载下电机轴承故障诊断

为了提高电机轴承故障诊断的准确率,针对电机轴承故障不稳定的振动信号及故障特征提取困难问题,提出了一种基于变分模态分解（VMD）能量熵与卷积神经网络（CNN）相结合的电机轴承故障诊断方法。为了使故障的特征更精确地体现出来,采取三维度的能量熵提取办法,将轴承故障分为内圈磨损、外圈磨损和保持架断裂三类,然后每个类别再细分为负载为0%、25%和50%三种情况,共9种情况。利用VMD方法将故障信号分解得到内禀模态函数(IMF)的分量并提取各个维度IMF的能量熵值从而构成特征向量。结果表明该方法可以有效提高故障诊断正确率。     

基于EEMD排列组合熵的SVM转子振动故障诊断研究

对汽轮机转子故障状态进行准确判别一直是工程领域研究的重点。在使用支持向量机作为模式识别方法进行故障诊断的过程中,提取能明显区别不同故障的信号特征参数,构建高质量的样本可以较大提高支持向量机（support vector machine,SVM）模型的分类正确率。针对此问题,提出一种总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)、排列组合熵和SVM相结合的汽轮机转子振动多故障诊断方法。方法首先引入有向无环图建立了多故障诊断模型,利用EEMD将振动信号分解成单一无混叠的内禀模态函数（intrinsic mode function,IMF）分量,然后计算对振动信号变化非常敏感的IMF排列组合熵作为特征向量,并应用到有向无环图SVM进行多故障状态识别。实验结果表明,该方法实现了汽轮机转子的振动多故障诊断,同时与基于EEMD能量法提取的特征向量进行对比,通过实验证明,该方法具有更加准确的识别率。     

基于多特征融合的光伏系统串联直流电弧故障识别方法

针对目前光伏系统中存在的串联直流电弧故障特征量少、识别定位困难等问题,提出一种基于多特征融合的光伏系统串联直流电弧故障识别方法。首先搭建实验平台,采集正常和串联直流电弧故障下的电流信号并利用小波变换进行降噪;其次,对降噪后信号提取时域上的电流均值变化率和电流周期最值差特征量,并提取频域上的各频带能量及能量比,利用集合经验模态分解（ensemble empirical mode decomposition, EEMD）得到各阶信号本征模态函数（intrinsic mode function,IMF）,计算各阶IMF故障信号与正常信号余弦相似度,并提取相似度较低电弧的IMF能量熵特征;然后,以时域、频域、能量熵特征构成多维特征向量,构建故障电弧特征空间,通过实验确定故障空间边界参数,得到特征判据,根据多维特征判据实现直流电弧故障检测;最后,通过实验分析验证所提方法的准确性。     

基于EEMD和CICA的风电机组轴承故障特征提取

针对风电机组轴承故障振动信号具有高噪声、非线性、非平稳的特性,提出一种集成经验模态分解(ensemble empirical mode decomposition,EEMD)和约束独立分量分析(constrained independent component analysis,CICA)的故障特征提取方法(EEMD-CICA)。首先对采集的轴承振动信号进行预处理,消除噪声信号的影响,并利用EEMD进行分解,得到一系列本征模态函数(intrinsic mode function,IMF);然后利用邻近奇异值插值法估计源信号个数,并根据互信息准则选取IMF分量作为参考信号;最后根据选取的参考信号,利用CICA方法提取轴承故障中包含的信号特征,并进行包络解调得到包络谱。算例分析表明,此方法能有效提取轴承故障特征。     

基于CEEMDAN和CNN-LSTM的滚动轴承故障诊断

针对滚动轴承工作环境复杂，轴承振动信号受噪声干扰难以提取故障特征以及传统故障诊断算法准确率较低的问题，提出了利用自适应噪声完备集合经验模态分解算法（CEEMDAN）联合卷积神经网络（CNN）内嵌长短期记忆神经网络（LSTM）的滚动轴承故障诊断方法。首先，利用CEEMDAN算法对轴承原始振动信号进行分解得到本征模态函数（IMF）；然后计算重构后的信号的排列熵，归一化后作为特征向量；最后将特征向量输入至CNN-LSTM结合建立的深度学习模型中进行诊断识别。结果表明：所提方法具有更快的拟合速度和更高的准确率，平均故障诊断准确率达到98.63%。     

基于经验模态分解和支持向量机的水电机组振动故障诊断

水电机组的振动信号为典型的非平稳、非线性信号。为了通过振动信号正确判断水电机组的运行状态,本文提出运用经验模态分解处理原始信号,并对获得的基本模式分量计算其复杂度特征,最后运用最小二乘支持向量机进行故障诊断。选取径向基函数作为核函数,并通过网格搜索和交叉验证确定相关参数。结果表明,经验模态分解复杂度特征和支持向量机结合,能够准确地实现故障诊断,确定故障类型,为机组运行维护人员提供参考依据。     

基于改进DEMD和ICA的海上风机传动系统早期故障诊断

针对传动系统早期故障振动信号较弱的情况,提出基于改进微分经验模式分解(DEMD)和独立分量分析(ICA)的海上风机传动系统早期故障诊断方法。为克服传统的DEMD算法在分解低阶本征模态函数(IMF)时存在失真现象,提出改进的微分经验模式算法将原始振动信号分解成若干个独立的IMF信号,结合ICA进一步进行原始振动信号故障特征分量的提取,并基于标准数据和风机动力传动故障诊断实验平台进行了仿真研究,最后选取海上风电机组传动系统常出现的发电机轴承故障进行诊断分析。结果表明,相对于传统的故障诊断方法,该方法能更好地放大故障分量,减少噪声和其他振动干扰信号的影响,提高了海上风电机组传动系统早期故障诊断的准确性。     

分接开关振动信号EMD熵和小波熵的比较

针对变压器有载分接开关机械故障诊断,引入一种基于经验模态分解EMD(empirical mode decomposi-tion)能量熵的诊断方法,以提取变压器有载分接开关振动信号特征并进行故障诊断。首先进行小波消噪,然后对信号进行经验模态分解,对得出的各阶固有模态函数求能量,最终计算得到信号的能量熵值。运用EMD能量熵作为特征参量,分析了触头正常和烧毁两种情况下分接开关切换时产生的振动信号,并与小波能量熵比较,研究结果表明,分接开关振动信号基于EMD能量熵的方法比基于小波能量熵的方法有效。     

基于CEEMDAN与样本熵的高压断路器机械故障诊断

依据高压断路器振动信号特性,提出一种自适应白噪声完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与样本熵相结合的高压断路器故障特征提取方法。首先利用CEEMDAN将分闸振动信号分解成一系列内禀模态函数(intrinsic mode function,IMF),然后利用相关系数法与归一化能量筛选包含信号主要特征信息的前7阶IMF分量,求取其样本熵作为特征量,最后采用粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)分类器,对断路器不同故障类型进行分类识别。实验结果表明该特征提取方法能准确提取振动信号特征量,输入PSO-SVM诊断高压断路器故障能取得良好的效果。     

基于改进VMD-MCKD和深度残差网络的风机齿轮箱故障诊断

行星齿轮箱是风电机组传动系统中的重要部件,其运行工况复杂,背景噪声大,导致齿轮早期故障信号微弱且极易受背景噪声的影响。针对风电机组齿轮箱早期故障特征难以有效提取,齿轮故障难以识别的问题,提出一种风机齿轮箱故障诊断方法。首先,通过变分模态分解算法（variational mode decomposition,VMD）分解风机齿轮箱原始振动信号,获得振动信号故障的最优模态分量;接着,利用最大相关峭度解卷积算法（maximum correlated kurtosis decnvolution,MCKD）通过解卷积重构最优模态分量,削弱背景噪声增强故障冲击成分,获得故障特征;同时利用麻雀搜索算法（sparrow search algorithm,SSA）优化惩罚因子α、模态分解个数K、滤波器阶数L和反褶积周期T等参数,提升振动信号故障特征提取的准确度;最后,构建基于深度残差网络（deep residual network,ResNet）的齿轮箱故障诊断模型,建立齿轮箱故障特征与类别的非线性映射关系,实现风机齿轮箱故障分类识别。实验结果表明,所提风机齿轮箱故障诊断方法的准确率达到97.48%,相...     

基于小波包分析和支持向量机的水电机组振动故障诊断研究

提出了一种利用小波包分析提取水电机组的振动故障特征和基于支持向量机的水电机组振动故障诊断方法。以二值分类为基础,构建了基于支持向量机的多值分类器。先对水电机组的振动信号进行频谱分析,提取该信号在频率域的特征量,将频谱特征向量作为学习样本,通过训练,使分类器能够建立频谱特征向量和故障类型的映射关系,从而达到故障诊断的目的,并以水电机组振动多故障分类为例,进行了应用检验。结果表明,与常规方法相比,该方法简单有效、并具有很好的分类能力和良好的鲁棒性,可以满足在线故障诊断的要求,适合水电机组振动故障的诊断。该方法为水电机组故障诊断向智能化发展提供了新的途径。     

EEMD方法在转子碰摩故障诊断中的研究

转子系统发生局部碰摩故障时,故障特征呈现出复杂的高倍频或分数倍频成分。为了实现多频率碰摩故障特征的有效提取,将集合经验模态分解方法(ensemble empirical mode decomposition,EEMD)应用到转子局部碰摩故障诊断中。首先利用仿真碰摩信号,验证了EEMD时频分析方法在碰摩故障诊断的有效性,其次通过对转子系统水平方向碰摩、竖直方向碰摩、水平-竖直同时碰摩和正常4种不同振动状态的EEMD分解,计算基本模态分量(IMF)的振动强度,得出不同状态的振动强度趋势分布图。实验结果表明,EEMD方法能够从强噪声背景信号中提取出微弱碰摩特征,实现转子系统的碰摩故障诊断。     

基于EEMD能量熵与ANN的矿用异步电机故障诊断

针对矿用异步电机故障时定子电流信号非线性非平稳性的特点,提出了一种基于集合经验模态分解（EEMD）能量熵与人工神经网络（ANN）结合的转子故障诊断方法。首先利用EEMD将电机定子电流信号分解为一系列本征模态函数（IMF）;其次通过互相关准则,选取信息最丰富的IMF分量并计算其能量熵来构造故障特征向量;最后将特征向量输入人工神经网络（ANN）进行训练和状态识别。实验通过Ansys Maxwell软件对故障电机建模获得仿真电流数据,验证了该方法是一种可行的矿用电机故障诊断方法,相较于传统频谱分析更为可靠,可实现对异步电机处于正常、转子断条、气隙偏心等状态的准确识别,综合识别率达97%。     

结合经验模态分解能量总量法的断路器振动信号特征向量提取

为了检测出断路器的机械结构故障类型,本文分析了断路器机械振动信号的特性,提出基于经验模态分解(EMD)能量总量法与支持向量机(SVM)理论相结合的中压断路器振动信号的特征向量提取和故障分类的分析方法。首先将断路器的振动信号进行经验模态分解,得到所需要的内禀模态函数(IMF),通过离散采样点求能量总量的方法求出包含主要故障特征信息的各个内禀模态函数分量的能量总量。利用IMF分量能量总量作为特征向量,并以此作为支持向量机输入,将测试样本信号的故障特征向量输入训练好的SVM,并对SVM及核函数参数进行遗传算法优化,采用"二叉树分类"支持向量机分类机制进行故障分类。经实验分析该方法能很好地识别出振动信号的差别及故障类型。     

水电机组振动故障的信息融合诊断与仿真研究

引起水电机组振动的原因复杂,目前主要是通过转速试验、负荷试验和励磁试验等试验手段来判别机组的振动故障.该文将多传感器信息融合方法引入水电机组振动故障诊断中,通过分析机组振动的频率特征,建立了振动故障的融合诊断识别框架,并模拟机组各部位的振动信号,采用小波分析和傅立叶变换进行预处理,提取信号的子带能量特征,应用信息融合方法进行了仿真诊断.结果表明,基于信息融合的故障诊断能充分利用机组各部位的信息,可以减少诊断的不确定性,从而有效地提高诊断的可靠性.